पियर्सन के सहसंबंध और रैखिक प्रतिगमन के साथ बोनफेरोनी सुधार

Question

मैं 5 IVs (5 व्यक्तित्व लक्षण, बहिर्मुखता, agreeableness, कर्तव्यनिष्ठा, विक्षिप्तता, खुलेपन) पर 3 DVs Attitude to PCT, Attitude to CBT, PCT बनाम CBT के विरुद्ध आँकड़े चला रहा हूँ। मैंने उम्र और लिंग में यह देखने के लिए भी जोड़ा कि अन्य प्रभाव क्या हैं।

मैं यह देखने के लिए परीक्षण कर रहा हूं कि क्या व्यक्तित्व लक्षण डीवीएस के दृष्टिकोण की भविष्यवाणी कर सकते हैं

मैंने शुरुआत में सभी चर (45 परीक्षण) के लिए पियर्सन के सहसंबंध का इस्तेमाल किया।

मुख्य खोज यह थी कि पीटी = 0.05 पर पीसीटी के रवैये के लिए बहिर्मुखता को सहसंबद्ध किया गया था। लेकिन जब मैं 45 परीक्षण चला रहा था तब मैंने अल्फ़ा = 0.05 / 45 = 0.001 का बोनफ़्रोनी सुधार किया था, इसलिए इस खोज को महत्वहीन बना दिया।

मैंने तब सभी चर पर एक सरल रेखीय प्रतिगमन चलाया, फिर से पीसीटी के दृष्टिकोण के साथ फिर से विलोपन महत्वपूर्ण था। अगर मैं बोनफेरोनी करेक्शन करता हूं तो यह फिर से महत्वहीन हो जाता है।

प्रशन:

1. क्या मुझे पियर्सन के सहसंबंध में बोन्फेरोनी को सही करने की आवश्यकता है?
2. यदि मैं करता हूं, और इसलिए पीसीटी के लिए दृष्टिकोण के साथ बहिर्मुखी बना रहा है, तो क्या अभी भी रैखिक प्रतिगमन करने का एक बिंदु है?
3. यदि मैं एक रेखीय प्रतिगमन करता हूं, तो क्या मुझे इसके लिए भी बोनफ्रोनी सुधार करने की आवश्यकता है?
4. क्या मैं केवल रिपोर्ट किए गए मान को सही कर रहा हूं या दोनों को बिना सोचे-समझे और सही मानों के साथ सुधारा गया है?

Comments

प्रश्न 1, लुक से संबंधित है और आपको पता चलेगा (एक सहसंबंध) और प्रश्न 3 क्या कई तुलनाओं में p-मानों को समायोजित करने के लिए एक अच्छा विचार है? । इस क्वेरी से अधिक सामान्यतः परिणाम ब्याज के हो सकते हैं।

— chl

Answer 1

मुझे लगता है कि च्ल ने आपको सीधे सवाल का जवाब दिए बिना बहुत सारी अच्छी सामग्री और संदर्भों की ओर इशारा किया है। मैं जो उत्तर देता हूं वह थोड़ा विवादास्पद हो सकता है क्योंकि मुझे पता है कि कुछ सांख्यिकीविद् बहुतायत समायोजन में विश्वास नहीं करते हैं और कई बायेसियन पी-मूल्य में विश्वास नहीं करते हैं। वास्तव में मैंने एक बार डॉन बेरी को यह कहते हुए सुना कि विशेष रूप से अनुकूली डिजाइनों को नियंत्रित करने वाले बायेसियन दृष्टिकोण का उपयोग करना, मैं एक चिंता का विषय नहीं है। वह बाद में यह देखकर गया कि एफडीए व्यावहारिक रूप से कितना महत्वपूर्ण है यह सुनिश्चित करने के लिए कि खराब दवाएं बाजार में नहीं आती हैं।

मेरा जवाब हां और नहीं है। यदि आप 45 परीक्षण करते हैं, तो आपको निश्चित रूप से बहुलता के लिए समायोजित करने की आवश्यकता है लेकिन बोनफर्रानी के लिए नहीं क्योंकि यह बहुत अधिक रूढ़िवादी हो सकता है। टाइप I त्रुटि की मुद्रास्फीति जब आप सहसंबंध के लिए मेरा डेटा करते हैं तो स्पष्ट रूप से एक मुद्दा है जिसे उद्धृत पोस्ट "लुक और आपको सहसंबंध मिलेगा" के साथ ध्यान आकर्षित किया गया है। सभी तीन लिंक महान जानकारी प्रदान करते हैं। मुझे लगता है कि गायब है पी-वैल्यू एडजस्टमेंट के लिए फिर से तैयार करना दृष्टिकोण है जैसा कि वेस्टफॉल और यंग द्वारा इतनी अच्छी तरह से विकसित किया गया है। आप मेरी बूटस्ट्रैप पुस्तक में उदाहरण या उनकी पुनर्स्मरण पुस्तक में पूर्ण विवरण पा सकते हैं। मेरा पुनर्मूल्यांकन पी-मूल्य समायोजन के लिए बूटस्ट्रैप या क्रमचय विधियों पर विचार करना होगा और शायद कड़े परिवार-वार त्रुटि दर पर झूठी खोज दर पर विचार करें।

वेस्टफॉल और यंग से लिंक: http://www.amazon.com/Resampling-Based-Multiple-Testing-Adjustment-Probability/dp/0471557617/ref=sr_1_1?s=books&ie=UT88&qid=1343398751&sr=1-1&keywords=peter+peter=pet Westfall

कई तुलनाओं पर ब्रेटज़ एट अल की हालिया पुस्तक: http://www.amazon.com/Multiple-Comparisons-Using-Frank-Bretz/dp/1584885742/ref=sr_1_2?s=books=ie=UTF8&qid=1343398796&sr=1-2&keywords= पीटर + Westfall

बूटस्ट्रैप संदर्भों के खंड 8.5 और टन में मेरी पुस्तक: http://www.amazon.com/Bootstrap-Methods-Practitioners-Researchers-Probability/dp/0471756210/ref=sr_1_s=books&ie=UTF8&qid=1343398953&sr=1 -2 और कीवर्ड = माइकल + chernick

Comments

+1 वेस्टफॉल एंड यंग के अंत में ग्राहम मार्टिन की मुनचौसेन की सांख्यिकीय ग्रिड का पुनरुत्पादन यह सब बहुत ही आकर्षक तरीके से कहता है। आप इसे अमेज़ॅन "लुक इनसाइड" फीचर में पढ़ सकते हैं। (यह लगभग अमेज़न की पेशकश एक को देखने के लिए मनोरंजक के रूप में है $ 7 व्यापार में इस बात के लिए कीमत $ । 150 पुस्तक)

— whuber

@ मुझे लगता है कि मैंने एक बार एक कार्टून देखा था जिसमें बैरन को अपने बूटस्ट्रैप्स द्वारा खुद को झील से बाहर खींचते हुए दिखाया गया था। हो सकता है कि एफ्रॉन इसे बूटस्ट्रैप कहलाने के लिए समझदार हो क्योंकि कई लोग इसमें संदेह करते हैं कि यह आंकड़ों में किया जा सकता है जैसे कई बैरन की कथा के बारे में संदेह है!

— माइकल आर। चेरनिक

Answer 2

यह मुझे लगता है कि यह खोजपूर्ण अनुसंधान / डेटा विश्लेषण है , पुष्टिकरण नहीं। यही है, यह ध्वनि नहीं करता है जैसे कि आपने एक सिद्धांत के साथ शुरू किया था जिसमें कहा गया था कि किसी कारण से केवल एक्सट्रोवर्सन को पीसीटी से संबंधित होना चाहिए। इसलिए मैं अल्फा समायोजन के बारे में बहुत अधिक चिंता नहीं करूंगा, जैसा कि मुझे लगता है कि सीडीए से अधिक संबंधित है, और न ही मुझे लगता है कि आपकी खोज जरूरी है। इसके बजाय, मैं इसके बारे में कुछ ऐसा सोचूंगासच हो, और इन विचारों / संभावनाओं के साथ खेलता हूं कि मुझे उन विषयों के बारे में पता है जिनके बारे में मैं जानता हूं। इस खोज को देखने के बाद, क्या यह सच है या आपको संदेह है? यदि यह सत्य था, तो वर्तमान सिद्धांतों के लिए इसका क्या अर्थ होगा? क्या यह दिलचस्प होगा? क्या यह महत्वपूर्ण होगा? क्या यह निर्धारित करने के लिए एक नया (पुष्टित्मक) अध्ययन चलाने के लायक है कि क्या यह सच है, संभावित समय, प्रयास और व्यय को ध्यान में रखते हुए? याद रखें कि बोनफेरोनी सुधार का कारण यह है कि हम उम्मीद करते हैं कि जब बहुत सारे चर होते हैं तो हम कुछ दिखा सकते हैं। इसलिए मुझे लगता है कि एक अनुमानवादी हो सकता है 'क्या यह अध्ययन पर्याप्त रूप से सूचनात्मक होगा, भले ही सच्चाई कोई भी हो'? यदि आप यह तय करते हैं कि यह इसके लायक नहीं है, तो यह संबंध 'मई' श्रेणी में रहता है और आप आगे बढ़ते हैं, लेकिन यदि यह करने योग्य है, तो इसका परीक्षण करें।

Comments

अगर वह वास्तव में समझता है कि खोजपूर्ण डेटा विश्लेषण क्या है और वह बड़ी सहसंबंधों को भी गंभीरता से नहीं लेता है तो मैं आपसे सहमत होगा। लेकिन लोग मान लेंगे कि वे केवल अजीब से सहसंबद्ध को छानने के लिए खोजपूर्ण विश्लेषण कर रहे हैं लेकिन फिर भी जब वे कुछ होनहार देखते हैं तो अत्यधिक उत्साहित हो जाते हैं। वह मानव स्वभाव का हिस्सा है। मुझे लगता है कि मापदंड के रूप में एफडीआर का उपयोग करके समायोजन करना उत्तेजना को नियंत्रण में रखने का एक समझदार तरीका है।

— माइकल आर। चेरिक जूल

@MichaelChernick, मुझे जरूरी नहीं है कि आप असहमत हों। मैं सिर्फ एक और राय रखना चाहता था और मुझे अक्सर एक बड़ी तस्वीर, अर्ध-दार्शनिक, क्या-क्या-यह-सभी के बारे में परिप्रेक्ष्य देना पसंद है। बहुत सारे प्रैक्टिशनर विवरणों में उलझे हुए हो सकते हैं जो उनके लिए आर्कषक लगते हैं और डब्ल्यू / ओए ग्राउंडेड समझ को छोड़ देते हैं।

— गंग -

यहां कोई असहमति नहीं है और मैं आपकी बात समझता हूं। मैं केवल यह जोड़ना चाहता हूं कि यदि हम सांख्यिकीय सिद्धांत को स्वीकार कर सकते हैं और सांख्यिकीय सिद्धांत को स्वीकार कर सकते हैं और अपने शोध से व्यक्तिगत रूप से नहीं जुड़ सकते हैं तो हम जो कहते हैं वैसा ही कर सकते हैं। लेकिन ऐसा करना बहुत कठिन है। एक दवा कंपनी के लिए काम करने की कल्पना करें जो किसी विशेष दवा के लिए नैदानिक ​​अनुसंधान पर लाखों खर्च कर रहा है और यह विफल है। चिकित्सा निदेशक आपको 20 अलग-अलग उपसमूहों को चटाई देने और एक काम करने वाले को खोजने जा रहा है।

— बजे माइकल आर। चेरिक जूल

उपसमूह विश्लेषण नैदानिक ​​अनुसंधान का सबसे विवादास्पद पहलू है। बहुलता समायोजन के बिना इसे वैध करने का कोई तरीका नहीं है और इसे पोस्ट हॉक करने से एफडीए को बेचना मुश्किल हो जाता है। यह हाल के वर्षों में मेरे अनुभव से सिर्फ एक उदाहरण है जो मुझे कई बार अनदेखी के सुझावों के प्रति संवेदनशील बनाता है।

— माइकल आर। चेरिक जूल 28'12

Answer 3

निम्नलिखित के अनुसार: http://birnlab.psychiatry.wisc.edu/resources/fMRI_TestRetest_Documentation.pdf

महत्व निर्धारित करते समय, कई तुलनाओं के लिए पी-मान को सही करें। उदाहरण के लिए, एक बोन्फ्र्रोनी-सही पी-मूल्य, तुलनाओं की कुल संख्या से विभाजित पी-मूल्य है, जो इस मामले में मी (एम - 1) / 2 अद्वितीय कनेक्शन है।

उदाहरण के लिए, सहसंबंध के लिए आपका कटऑफ पी-मान 0.05 है, और मान लें कि आपकी सहसंबंध तालिका 100 * 100 है। फिर आपका पी-मान 0.05 / (100 * 99/2) समायोजित किया जाना चाहिए।

रैखिक प्रतिगमन ऊपर के समान बोन्फ्रोनी सुधार लागू करता है।

मुझे पता है कि उत्तर आपके द्वारा पूछे जाने से संबंधित नहीं है। उस मामले में, कृपया मुझे बताएं और मैं स्पष्ट करने की पूरी कोशिश करूंगा। आशा है कि यह मदद करता है।